单层图卷积网络的渐近泛化误差
内容提要
本文综述图卷积网络的稳定性与泛化研究：分析单层GCNN稳定性，提出卷积核最大特征值依赖规律；研究GCN收敛性与随机图稳定性；发现深层GCN泛化差并提出解耦结构；从优化角度解释过度平滑并提出GCN+；推导PAC-Bayesian泛化界与对抗鲁棒性界，避免最大节点度的指数依赖。
延伸解读
稳定性与泛化保证的卷积核设计
文章指出单层GCNN的稳定性依赖于卷积核最大绝对特征值，且该特征值与图大小无关。这意味着设计卷积核时，可以独立于图的规模来保证算法稳定性，为开发具有泛化保证的新型卷积核提供了理论依据。
深层GCN的泛化困境与解耦方案
研究发现，深层GCN即使训练准确率很高，泛化能力却较差。为此，文章提出解耦结构，使模型在保留表达能力的同时提升泛化性能。这一思路有助于理解深度图网络的过拟合问题，并为设计更深层模型提供方向。
过度平滑的优化视角与GCN+
从优化角度，文章解释了图卷积中的过度平滑现象，并引入节点级度量标准。提出的GCN+卷积核在节点分类任务上表现优异。这提示读者，过度平滑不仅是深度问题，也可通过优化视角和新型卷积核来缓解。
泛化界与鲁棒性：避免最大度指数依赖
基于PAC-Bayesian框架，文章推导了GCN和MPGNN的泛化界与对抗鲁棒性界，显示谱范数和扰动因子起支配作用，并避免了最大节点度的指数依赖。这为理论分析提供了更紧的界限，也降低了对图规模的敏感度。
Q&A
单层图卷积网络的稳定性与卷积核的最大特征值有什么关系？
单层GCNN的稳定性依赖于其卷积核的最大绝对特征值，且该特征值与图的大小无关。
为什么深层图卷积网络（GCN）的泛化能力会变差？
深层GCN虽然训练准确率高，但泛化能力差，原因是模型过度复杂导致过拟合。
GCN+是如何解决图卷积网络中的过度平滑问题的？
GCN+从优化角度解释过度平滑，引入两个节点级度量标准，并提出新的卷积核来缓解过度平滑，在节点分类任务上表现优秀。
PAC-Bayesian泛化界如何避免对最大节点度的指数依赖？
通过PAC-Bayesian框架推导的泛化界，显示节点最大度数和权重的谱范数支配泛化界，但界限避免了指数依赖于最大节点度。
图卷积网络（GCN）对随机图的小变形是否稳定？
GCN对随机图的小变形具有稳定性，这有助于解释卷积表示在欧几里得域中的成功。
GCN的表达能力与其底层图的拓扑信息有何关联？
GCN的表达能力与其底层图的拓扑信息相关，通过权值归一化方法可以增强真实数据下GCN的性能。
